論文の概要: CPSeg: Cluster-free Panoptic Segmentation of 3D LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2111.01723v1
• Date: Tue, 2 Nov 2021 16:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 15:34:48.863788
• Title: CPSeg: Cluster-free Panoptic Segmentation of 3D LiDAR Point Clouds
• Title（参考訳）: CPSeg: 3次元LiDAR点雲のクラスタフリーパノプティックセグメンテーション
• Authors: Enxu Li, Ryan Razani, Yixuan Xu, Bingbing Liu
• Abstract要約: CPSegと呼ばれるLiDAR点雲のための新しいリアルタイム・エンド・エンド・エンド・パノプティクス・セグメンテーション・ネットワークを提案する。 CPSegは、共有エンコーダ、デュアルデコーダ、タスク認識アテンションモジュール(TAM)、クラスタフリーインスタンスセグメンテーションヘッドを備える。
• 参考スコア（独自算出の注目度）: 2.891413712995641
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A fast and accurate panoptic segmentation system for LiDAR point clouds is crucial for autonomous driving vehicles to understand the surrounding objects and scenes. Existing approaches usually rely on proposals or clustering to segment foreground instances. As a result, they struggle to achieve real-time performance. In this paper, we propose a novel real-time end-to-end panoptic segmentation network for LiDAR point clouds, called CPSeg. In particular, CPSeg comprises a shared encoder, a dual decoder, a task-aware attention module (TAM) and a cluster-free instance segmentation head. TAM is designed to enforce these two decoders to learn rich task-aware features for semantic and instance embedding. Moreover, CPSeg incorporates a new cluster-free instance segmentation head to dynamically pillarize foreground points according to the learned embedding. Then, it acquires instance labels by finding connected pillars with a pairwise embedding comparison. Thus, the conventional proposal-based or clustering-based instance segmentation is transformed into a binary segmentation problem on the pairwise embedding comparison matrix. To help the network regress instance embedding, a fast and deterministic depth completion algorithm is proposed to calculate surface normal of each point cloud in real-time. The proposed method is benchmarked on two large-scale autonomous driving datasets, namely, SemanticKITTI and nuScenes. Notably, extensive experimental results show that CPSeg achieves the state-of-the-art results among real-time approaches on both datasets.
• Abstract（参考訳）: 高速かつ正確なLiDAR点雲分割システムは、自動運転車が周囲の物体やシーンを理解するために不可欠である。 既存のアプローチは通常、セグメントフォアグラウンドインスタンスに対する提案やクラスタリングに依存している。 その結果、リアルタイムパフォーマンスを達成するのに苦労した。 本稿では,lidar点群に対するリアルタイムエンドツーエンドのパオプティカルセグメンテーションネットワークであるcpsegを提案する。 特に、CPSegは、共有エンコーダ、デュアルデコーダ、タスク認識アテンションモジュール(TAM)、クラスタフリーインスタンスセグメンテーションヘッドを含む。 TAMは、これらの2つのデコーダを強制して、セマンティックとインスタンスの埋め込みのためのリッチなタスク認識機能を学ぶように設計されている。 さらに、CPSegは新しいクラスタフリーインスタンスセグメンテーションヘッドを組み込んで、学習した埋め込みに応じて前景点を動的に柱付けする。 次に、ペアワイズ埋め込み比較で連結された柱を見つけ、インスタンスラベルを取得する。 これにより、従来の提案またはクラスタリングに基づくインスタンスセグメンテーションは、ペアワイズ埋め込み比較行列上のバイナリセグメンテーション問題に変換される。 ネットワーク回帰インスタンスの埋め込みを支援するため,高速かつ決定論的深度補完アルゴリズムを提案し,各点雲の表面正規度をリアルタイムに算出する。 提案手法は、SemanticKITTIとnuScenesという2つの大規模自律走行データセットでベンチマークされる。 特に、CPSegが両方のデータセットに対してリアルタイムにアプローチすることで、最先端の結果が得られている。

関連論文リスト

• Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
  ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。 私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。 提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
  論文  参考訳（メタデータ） (2023-10-19T04:44:43Z)
• PANet: LiDAR Panoptic Segmentation with Sparse Instance Proposal and Aggregation [15.664835767712775]
  この作業では、オフセットブランチへの依存性を排除するため、PANetという新しいLPSフレームワークを提案する。 PaNet はセマンティック KITII バリデーションと nuScenes バリデーションのパン光学セグメンテーションタスクに関する論文の中で,最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-06-27T10:02:28Z)
• PUPS: Point Cloud Unified Panoptic Segmentation [13.668363631123649]
  本稿では,シンプルだが効果的な点群統合パノプティックセグメンテーション(PUPS)フレームワークを提案する。 PUPSは、ポイントレベルの分類器のセットを使用して、エンド・ツー・エンドの方法でセマンティクスとインスタンス・グループを直接予測する。 PUPSはSemantic KITTI Panoptic segmentation Taskのリーダーボードで1位を獲得し、nuScenesの最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-02-13T08:42:41Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• Point Cloud Instance Segmentation with Semi-supervised Bounding-Box Mining [17.69745159912481]
  ラベル付きおよび未ラベルのバウンディングボックスを監視として使用した,最初の半教師付きポイントクラウドインスタンスセグメンテーションフレームワーク(SPIB)を紹介した。 提案手法は,近年の完全教師付き手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2021-11-30T08:40:40Z)
• SMAC-Seg: LiDAR Panoptic Segmentation via Sparse Multi-directional Attention Clustering [1.1470070927586016]
  学習可能なスパースな多方向アテンションクラスタリングを複数スケールのフォアグラウンドインスタンスに提示する。 SMAC-Segはリアルタイムクラスタリングベースのアプローチであり、インスタンスをセグメント化する複雑な提案ネットワークを取り除く。 実験の結果,SMAC-Segはリアルタイムにデプロイ可能なネットワークにおいて,最先端の性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2021-08-31T02:25:01Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。 本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
  論文  参考訳（メタデータ） (2020-11-24T08:44:46Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。